基于無人機影像的天山云杉林樹高提取及蓄積量的反演

呂金城，王振錫，楊勇強，曲延斌，馬琪瑤，朱思明

(新疆農業(yè)大學林學與園藝學院/新疆教育廳干旱區(qū)林業(yè)生態(tài)與產業(yè)技術重點實驗室，烏魯木齊 830052)

0 引 言

【研究意義】森林是生物圈中最大的碳儲庫[1]，1998年，新疆天然林面積為602.7×104hm2(9 040.5×104畝)[2]。天山云杉(Piceaschrenkianavar. tianschanica)作為天山山地最主要的地帶性森林植被，其林分占新疆天然林有林地面積的44.9%，是構成天山乃至新疆森林生態(tài)系統(tǒng)的物質主體[3-4]。早期衛(wèi)星數據空間分辨率較低，只能提取部分紋理信息，對于單木水平的樹高冠幅提取難度較大[5]，小型飛機搭載高精度，高穿透力的激光雷達雖然可以獲取較高精度的森林信息數據，但其成本較高，仍需要耗費較大的人力物力資源，受天氣氣候影響較大，不夠靈活，隨著遙感技術的發(fā)展與革新，利用無人機航空攝影測量(UAV aerial photogrammetry)反演森林蓄積量的優(yōu)勢逐漸擴大，比起衛(wèi)星與機載激光雷達數據，無人機技術更加有效率，操作便捷，精確度也更高。通過無人機搭載各類光學傳感器，設置不同飛行高度，可以實現不同精度，不同比例尺的森林資源調查[6]。利用無人機技術對森林蓄積量進行精準估測有利于森林資源質量動態(tài)監(jiān)測?！厩叭搜芯窟M展】賈嘉輝[7]通過GF-1衛(wèi)星影像對植被指數與紋理特征進行提取，使用主成分分析模型與最小二乘回歸模型進行森林蓄積量的反演精度達73.96%，曹霖[8]使用Sentinel-2A衛(wèi)星影像進行紋理信息提取與光譜信息結合的方法，對紋理因子進行降維，再由機器學習回歸方法估算蓄積量，其蓄積量方程精度為82.12%。李赟[9]使用旋翼無人機搭載Liortho高分辨率影像獲取系統(tǒng)，對林場的立木進行冠幅提取，以冠幅—胸徑模型作為輔助因子，樣地實測蓄積量作為主因子，建立雙重回歸估計方程，其估算精度可達95.70%。李蘊雅[10]根據無人機數據對延慶松山自然保護區(qū)進行小班區(qū)劃，選出部分遙感因子建立針葉林蓄積量模型，對林分蓄積量進行估測，精度達到77.33%。周小成[11]根據福建省將樂縣伐區(qū)森林小班兩期無人機數據，對小班內立木進行樹高提取，建立樹高—胸徑回歸模型，并對小班進行蓄積量估測，與實測值對比，精度為91%?！颈狙芯壳腥朦c】以新疆伊犁鞏留縣恰西森林公園的天山云杉為研究對象，無人機高分辨率航拍影像為數據源，提取天山云杉的單株樹高，并以樣地實測森林信息建立胸徑—樹高模型，結合二元材積公式反演天山云杉林分蓄積量。【擬解決的關鍵問題】以新疆天山西部鞏留縣恰西森林公園的天山云杉為研究對象，利用無人機影像提取天山云杉林樹高冠幅信息，估算林分蓄積量，使用點云分類與克里金插值法提取無人機影像高程數據得到天山云杉樹高，根據樣地實測數據建立胸徑樹高模型，為天然林保護工程實施后山區(qū)森林資源經營管理提供技術支撐。

1 材料與方法

1.1 材 料

恰西國家森林公園位于鞏留縣東部山區(qū)小吉爾尕郎河的支流恰西河的中游，吉爾格郎鄉(xiāng)東南部山區(qū)，N43°02'～43°06'，E82°36'～82°44'。海拔1 270～1 600 m，屬于典型溫帶大陸性半干旱氣候，土壤深厚肥沃年均降水量達550～700 mm，全年平均氣溫7.4℃。圖1

1.1.1 影像數據

無人機影像采集時間為2018年8月，航拍區(qū)域覆蓋面積約61.25 km2，使用的無人機型號為UNIT-AIR-FW3，搭載DSC-RX1RM2(35 mm)相機，像素大小4.53×4.53 μm，拍攝影像尺寸為7 952×5 304，航拍平均高度904 m，飛行設置的航向重疊率為85%，旁向重疊65%，共獲得有效影像1 876張，空間分辨率為0.121 m。表1

參數類型Parameter type參數數據Parameter data傳感器類型 Sensor typeCMOS傳感器尺寸 Sensor size全畫幅有效像素 Effective Pixels4 240萬焦距 Focal length35 mm像素大小 Pixel size4.53×4.53 (μm)

1.1.2 外業(yè)數據

2018年7月在新疆鞏留縣恰西國家森林公園內，通過林相圖等先驗數據與實地踏查結合，按照采伐強度選取典型樣地。共設置50塊30 m×30 m的典型樣地，其中皆伐樣地20塊，擇伐樣地15塊，無干擾天然林15塊。并對樣地內胸徑大于5 cm，樹高大于3 m的天山云杉林進行每木檢尺用于計算蓄積量，共1 352棵天山云杉。使用GPS記錄每塊樣地中心點及4個邊點的坐標。表2

表2 樣地每木檢尺數據Table 2 Data of per wood scale in sample plot

1.2 方 法

1.2.1 無人機影像處理

相比傳統(tǒng)衛(wèi)星影像，無人機搭載的相機由于傳感器大小的限制，航拍的單張影像覆蓋區(qū)域比較小，對圖像進行幾何校正與預處理并使用Photo Scan1.4軟件進行圖像配準與圖像融合工作從而得到拼接后的測區(qū)全景圖像。

獲取無人機航拍影像后，采用特征點提取與相對定向自動匹配的方法，結合控制點對光束法局域網平差迭代求解，計算出準確的無人機相機姿態(tài)數據并生成核線影像，生成密集點云，點云數據的間距為4.43 point/m2。圖2

1.2.2 數字模型生成

生成密集的點云數據后，對點云數據進行編碼分類并進行濾波處理，將地面點與剔除地面點的其他地物進行區(qū)分，生成數字高程模型(DEM，Digital Elevation Model)。采用PIX4D軟件將地面點，地面植被點，地面建筑點加入特征線輔助數據進行三角網內插，根據地物情況調整網格間距輸出數字表面模型(DSM，Digital Surface Model)。將生成的DEM與DSM導入ArcGIS10.3軟件，打開ArcToolbox的3D分析工具，進行柵格計算得出冠層高度模型(CHM，Canopy Height Model)。圖3

1.2.3 樹高提取

在冠層高度模型(CHM)的基礎上，采用克里金插值法對典型樣地內的所有樹冠頂點進行焦點統(tǒng)計，將動態(tài)窗口范圍內選擇出的焦點做重分類處理，進行柵格計算后，使用ArcGIS軟件將潛在樹冠頂點與其他點區(qū)分開，再把潛在的樹冠頂點由柵格圖層轉換為點矢量圖層。

在樹冠頂點提取過程中，由于樹冠表面并非規(guī)則的曲面，而且有的立木冠幅較大，產生了1棵樹冠面上產生了多個頂點值。研究區(qū)的天山云杉屬于針葉樹種，冠層成塔狀結構，即最高點為林冠的中心點，對偽樹頂點進行剔除，提高林冠中心點的提取精度，排除低矮灌木對實驗結果的影響。圖4

1.2.4 建模與檢驗

林木胸徑與樹高、冠幅之間具有較強的關聯(lián)性[12]，研究在樣地水平上，以實測數據為基礎，從10種曲線估計模型中選取最優(yōu)模型，從1 352棵天山云杉中抽取1 012棵進行胸徑-樹高、胸徑-冠幅模型構建，剩余340棵作為樣本檢驗模型精度。采用均方根誤差(RMSE)評價指標對模型進行檢驗。

(1)

1.2.5 蓄積量反演

天山云杉二元立木材積公式由當地林業(yè)局根據天山西部地區(qū)最新二類調查檢尺材料計算求出。

V=6.293 661 9×10-5×D1.793 240 1×H1.046 970 7.

(2)

1.3 數據處理

樹高提取值與樹高實測值的關系散點圖，以實測值為因變量，提取值為自變量，通過SPSS統(tǒng)計分析軟件對其進行線性擬合。

2 結果與分析

2.1 樹高提取精度

研究表明，樹高平均提取精度達到88.42%，其中最高精度可達99.80%，最低精度60.23%。

決定系數R2=0.976，提取樹高與實測樹高存在顯著正相關關系，線性函數可以作為擬合函數，將提取樹高根據y=0.978x+0.888公式進行校準。圖5

2.2 胸徑-冠幅模型與胸徑-樹高模型

研究表明，在選取的10種曲線估計模型中，胸徑—冠幅的冪函數相關系數精度達到0.696，胸徑—冠幅構建的反演模型結果并不理想，達不到要求標準，胸徑—樹高的冪函數關系模型擬合程度最高，精度達到0.730，模型公式為：

D=(H×1.635)0.991.

(3)

模型公式中D表示胸徑，H表示樹高。

表3，表4，圖6，圖7

表3 胸徑冠幅模型及參數統(tǒng)計Table 3 Summary of parameters of DBH crown width model

表4 樹高胸徑模型及參數統(tǒng)計Table 4 Summary of parameters of DBH tree height model

2.3 模型檢驗

研究表明，RMSE=12.386，模型擬合效果顯著，可以使用模型反演天山云杉的蓄積量。

2.4 蓄積量的反演及精度

研究表明，將構建模型與二元材積公式聯(lián)立為：

公式中：Di代表擬合胸徑，H代表樹高，Ht代表修正樹高，Hi代表提取樹高，V表示蓄積量。

模型得到的殘差值大部分落在(-2，+2)殘差區(qū)間內，樣地1 012棵天山云杉總蓄積量為3 166.51 m3，無人機影像估算總蓄積量為2 775.76 m3，精度達到了87.66%。圖8

3 討 論

3.1 基于無人機影像樹高提取

無人機的多空間構架飛行與多光譜相機多角度的拍攝，構建出的三維點云數據可以在較大程度上還原研究區(qū)的林分特征與樹木生長情況，在一定程度上為林木單株的樹高提取提供保障。光學遙感技術與傳統(tǒng)的目視解譯相比優(yōu)勢明顯，多光譜相機的紋理信息提取與波段組合所帶來的誤差更小，數量化的表達更具有說服力。李亞東等[13]針對內蒙古大興安嶺阿爾山地區(qū)的天然白樺林，用聚類分析點云數據，搜索Z坐標軸的最大值，將其作為樹冠的頂點提取樹高，平均精度達到83%。周小成等[11]在福建地區(qū)對當地采伐跡地的馬尾松與杉木林進行林分蓄積量的估測，采用局域最大值法，將其設置為動態(tài)窗口與固定窗口，也獲得了不錯的提取精度，反演研究區(qū)馬尾松的蓄積量精度高達91%。采用克里金插值法提取了吉林省的大川林場的紅松林的樹高，在其選擇的3塊樣地中，樹高提取精度最低為62%，最高精度為97%，平均精度為86%[14]。研究樹高提取方面雖然在前人的基礎上有所提高，但根據無人機點云數據分析提取的數字高程模型精度還是未能達到地面激光雷達數據提取的數字高程模型精度，其原因主要是地表植物的遮擋形成的陰影干擾，如果隨著技術的發(fā)展與革新，將激光雷達與多光譜相機同時搭載到無人機，樹高的提取精度將進一步提高。

3.2 胸徑-樹高模型的構建

樹高和胸徑是估算森林蓄積量的重要因子。基于無人機影像反演天山云杉林分蓄積量比起激光雷達最大的劣勢是胸徑的測量，由于無人機采用的是多光譜相機成像，而胸徑無法被正射影像拍攝到，需要典型樣地每木檢尺，根據實測數據建立胸徑-樹高模型，來達到反演蓄積量的目的。

目前，國內外基于遙感影像反演蓄積量的研究已有很多，但應用面較窄，只適用于特定的立地條件或特定的樹種，因為不同條件下立木胸徑與樹高的擬合關系也不同，并沒有一種適用于所有樹種的胸徑-樹高模型或胸徑-冠幅模型[15-17]。

李海奎[18]針對油松、楊樹、櫟類等6種全國主要樹種進行高級分級，通過雙重迭代算法建立了胸徑-樹高曲線模型，該模型的決定系數達到了0.943 8，還通過刀切法對模型參數的靈敏度進行分析，對驗證模型分徑階的平均絕對誤差、均方根誤差進行對比表明模型比較穩(wěn)定可靠。利用數字表面模型和無人機系統(tǒng)獲得了日本柏樹高和胸徑的線性關系，其決定系數達到了0.778 6[19]。要找到不同立地條件下，不同樹種的胸徑與樹高關系還有待于進一步研究。

4 結 論

基于無人機影像提取樹高與實測樹高存在顯著正相關關系，提取平均精度為88.42%，建立天山云杉胸徑-冠幅模型的相關系數為0.696，而胸徑-樹高模型的相關系數為0.730；驗證胸徑-樹高模型，計算RMSE值為12.386，擬合效果顯著?；谛貜?樹高模型反演林分蓄積量精度為87.66%，與實測值比對，殘差值大部分落在(-2，+2)殘差區(qū)間內。通過高分辨率無人機影像數據反演林分蓄積量是切實可行的，精度也滿足對天山云杉林木生長狀況的快速評價和動態(tài)監(jiān)測需求。